Interface de ligne de commande
L'interface de ligne de commandeCLI d'Ultralytics offre un moyen simple d'utiliser les modèlesYOLO d'Ultralytics sans avoir besoin d'un environnement Python . L'interface CLI permet d'exécuter diverses tâches directement à partir du terminal à l'aide de la commande yolo ne nécessitant aucune personnalisation ou code Python .
Regarder : Mastering Ultralytics YOLO : CLI
Exemple
Ultralytics yolo utilisent la syntaxe suivante :
yolo TASK MODE ARGS
Où ?
- TASK (facultatif) est l'un des éléments suivants : [détecter, segmenter, classer, poser, obb]
- MODE (obligatoire) est l'un des éléments suivants [train, val, predict, export, track, benchmark]
- ARGS (facultatif) sont un nombre quelconque de arg=value paires comme imgsz=320 qui remplacent les valeurs par défaut.
Voir tous les ARGS dans leur intégralité Guide de configuration ou avec yolo cfg.
Entraînez un modèle de détection pendant 10 époques avec un taux d'apprentissage initial de 0,01 :
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Prédire à l'aide d'un modèle de segmentation pré-entraîné sur une vidéo YouTube d'une taille d'image de 320 :
yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
Validez un modèle de détection pré-entraîné avec une taille de lot de 1 et une taille d'image de 640 :
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Exporter un modèle de classification YOLO au format ONNX avec une taille d'image de 224x128 (pas de TASK nécessaire) :
yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128
Exécutez des commandes spéciales pour afficher la version, les paramètres, effectuer des vérifications, etc :
yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg
Où ?
TASK(facultatif) est l'un des éléments suivants[detect, segment, classify, pose, obb]. S'il n'est pas explicitement transmis, YOLO essaiera de déduire le nom de l'utilisateur.TASKdu type de modèle.MODE(obligatoire) est l'un des éléments suivants[train, val, predict, export, track, benchmark]ARGS(facultatif) sont un nombre quelconque dearg=valuepaires commeimgsz=320qui remplacent les valeurs par défaut. Pour une liste complète desARGS, voir le Configuration etdefaults.yaml.
Avertissement
Les arguments doivent être transmis en tant que arg=val séparées par un signe égal = et délimitées par des espaces entre les paires. Ne pas utiliser -- préfixes ou virgules des arguments , entre les arguments.
yolo predict model=yolo11n.pt imgsz=640 conf=0.25✅yolo predict model yolo11n.pt imgsz 640 conf 0.25❌yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25❌
Train
Entraîne YOLO sur l'ensemble de données COCO8 pendant 100 époques à une taille d'image de 640. Pour une liste complète des arguments disponibles, voir la page Configuration.
Exemple
Commencez l'entraînement de YOLO11n sur COCO8 pour 100 époques à la taille d'image 640 :
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
Reprendre une session de formation interrompue :
yolo detect train resume model=last.pt
Val
Valider le précision du modèle entraîné sur l'ensemble de données COCO8. Aucun argument n'est nécessaire car la fonction model conserve sa formation data et les arguments en tant qu'attributs du modèle.
Exemple
Valider un modèle officiel de YOLO11n :
yolo detect val model=yolo11n.pt
Valider un modèle formé sur mesure :
yolo detect val model=path/to/best.pt
Prévoir
Utiliser un modèle formé pour effectuer des prédictions sur des images.
Exemple
Prévoir avec un modèle officiel YOLO11n :
yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
Prévoir avec un modèle personnalisé :
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'
Exportation
Exporter un modèle dans un format différent comme ONNX ou CoreML.
Exemple
Exporter un modèle officiel YOLO11n au format ONNX :
yolo export model=yolo11n.pt format=onnx
Exporter un modèle entraîné au format ONNX :
yolo export model=path/to/best.pt format=onnx
Les formats d'exportation disponibles pour Ultralytics sont présentés dans le tableau ci-dessous. Vous pouvez exporter vers n'importe quel format à l'aide de la fonction format argument, c'est-à-dire, format='onnx' ou format='engine'.
| Format | format Argument |
Modèle | Métadonnées | Arguments |
|---|---|---|---|---|
| PyTorch | - | yolo11n.pt |
✅ | - |
| TorchScript | torchscript |
yolo11n.torchscript |
✅ | imgsz, half, optimize, nms, batch, device |
| ONNX | onnx |
yolo11n.onnx |
✅ | imgsz, half, dynamic, simplify, opset, nms, batch, device |
| OpenVINO | openvino |
yolo11n_openvino_model/ |
✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine |
yolo11n.engine |
✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml |
yolo11n.mlpackage |
✅ | imgsz, half, int8, nms, batch, device |
| TF SavedModel | saved_model |
yolo11n_saved_model/ |
✅ | imgsz, keras, int8, nms, batch, device |
| TF GraphDef | pb |
yolo11n.pb |
❌ | imgsz, batch, device |
| TF Lite | tflite |
yolo11n.tflite |
✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Bord TPU | edgetpu |
yolo11n_edgetpu.tflite |
✅ | imgsz, device |
| TF.js | tfjs |
yolo11n_web_model/ |
✅ | imgsz, half, int8, nms, batch, device |
| PaddlePaddle | paddle |
yolo11n_paddle_model/ |
✅ | imgsz, batch, device |
| MNN | mnn |
yolo11n.mnn |
✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn |
yolo11n_ncnn_model/ |
✅ | imgsz, half, batch, device |
| IMX500 | imx |
yolov8n_imx_model/ |
✅ | imgsz, int8, data, fraction, device |
| RKNN | rknn |
yolo11n_rknn_model/ |
✅ | imgsz, batch, name, device |
Voir l'intégralité export détails sur la Exportation page.
Remplacer les arguments par défaut
Remplacer les arguments par défaut en les passant dans l'CLI en tant que arg=value paires.
Conseil
Entraînez un modèle de détection pendant 10 époques avec un taux d'apprentissage de 0,01 :
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Prédire à l'aide d'un modèle de segmentation pré-entraîné sur une vidéo YouTube d'une taille d'image de 320 :
yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
Validez un modèle de détection pré-entraîné avec une taille de lot de 1 et une taille d'image de 640 :
yolo detect val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Remplacer le fichier de configuration par défaut
Remplacer le default.yaml en passant un nouveau fichier avec l'option cfg comme par exemple cfg=custom.yaml.
Pour ce faire, créez d'abord une copie de default.yaml dans votre répertoire de travail actuel avec l'option yolo copy-cfg qui crée un fichier default_copy.yaml fichier.
Vous pouvez ensuite transmettre ce fichier en tant que cfg=default_copy.yaml ainsi que tout argument supplémentaire, comme imgsz=320 dans cet exemple :
Exemple
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320
Commandes de solutions
Ultralytics fournit des solutions prêtes à l'emploi pour les applications courantes de vision par ordinateur via le CLI. Ces solutions simplifient la mise en œuvre de tâches complexes telles que le comptage d'objets, le suivi des séances d'entraînement et la gestion des files d'attente.
Exemple
Comptez les objets dans une vidéo ou un flux en direct :
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path
Contrôler les exercices d'entraînement à l'aide d'un modèle de pose :
yolo solutions workout show=True
yolo solutions workout source="path/to/video.mp4" # specify video file path
# Use keypoints for ab-workouts
yolo solutions workout kpts=[5, 11, 13] # left side
yolo solutions workout kpts=[6, 12, 14] # right side
Compter les objets dans une file d'attente ou une région désignée :
yolo solutions queue show=True
yolo solutions queue source="path/to/video.mp4" # specify video file path
yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates
Effectuez la détection d'objets, la segmentation d'instances ou l'estimation de la pose dans un navigateur Web à l'aide de Streamlit :
yolo solutions inference
yolo solutions inference model="path/to/model.pt" # use custom model
Voir les solutions disponibles et leurs options :
yolo solutions help
Pour plus d'informations sur les solutions Ultralytics , visitez la page Solutions.
FAQ
Comment utiliser l'interface de ligne de commandeCLI d'Ultralytics YOLO pour l'apprentissage des modèles ?
Pour former un modèle à l'aide de l'CLI, exécutez une commande d'une seule ligne dans le terminal. Par exemple, pour entraîner un modèle de détection pendant 10 époques avec un taux d'apprentissage de 0,01, exécutez :
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Cette commande utilise la fonction train avec des arguments spécifiques. Pour obtenir la liste complète des arguments disponibles, consultez la section Guide de configuration.
Quelles sont les tâches que je peux effectuer avec leCLI Ultralytics YOLO ?
LeCLI YOLO CLI Ultralytics prend en charge diverses tâches, notamment la détection, la segmentation, la classification, l'estimation de la pose et la détection de la boîte de délimitation orientée. Vous pouvez également effectuer des opérations telles que :
- Former un modèle: Exécuter
yolo train data=<data.yaml> model=<model.pt> epochs=<num>. - Prévisions de course: Utilisation
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>. - Exporter un modèle: Exécuter
yolo export model=<model.pt> format=<export_format>. - Solutions d'utilisation: Exécuter
yolo solutions <solution_name>pour des applications prêtes à l'emploi.
Personnalisez chaque tâche à l'aide de divers arguments. Pour une syntaxe détaillée et des exemples, voir les sections respectives Train, Predict et Export.
Comment puis-je valider la précision d'un modèle YOLO entraîné à l'aide de la CLI?
Pour valider l'efficacité d'un modèle précision, utiliser le val mode. Par exemple, pour valider un modèle de détection pré-entraîné à l'aide d'un taille du lot de 1 et une taille d'image de 640, exécutez :
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Cette commande évalue le modèle sur l'ensemble de données spécifié et fournit des mesures de performance telles que mAP, precision et recall. Pour plus de détails, reportez-vous à la section Val.
Dans quels formats puis-je exporter mes modèles YOLO en utilisant le CLI?
Vous pouvez exporter les modèles YOLO vers différents formats, notamment ONNX, TensorRT, CoreML, TensorFlow, etc. Par exemple, pour exporter un modèle au format ONNX , exécutez :
yolo export model=yolo11n.pt format=onnx
La commande d'exportation prend en charge de nombreuses options permettant d'optimiser votre modèle pour des environnements de déploiement spécifiques. Pour plus de détails sur les formats d'exportation disponibles et leurs paramètres spécifiques, consultez la page Exportation.
Comment utiliser les solutions pré-construites dans leCLI Ultralytics ?
Ultralytics fournit des solutions prêtes à l'emploi par l'intermédiaire de l'application solutions commande. Par exemple, pour compter les objets dans une vidéo :
yolo solutions count source="path/to/video.mp4"
Ces solutions nécessitent une configuration minimale et fournissent une fonctionnalité immédiate pour les tâches courantes de vision par ordinateur. Pour voir toutes les solutions disponibles, exécutez yolo solutions help. Chaque solution a des paramètres spécifiques qui peuvent être personnalisés pour répondre à vos besoins.
